基于浏览器的文件工具如何在不上传的情况下工作
浏览器工具可以读取你选中的文件,在标签页的内存里处理,再把结果交还给你,全程不需要上传。代价是内存和算力都由你自己的设备提供,所以大视频是最难处理的情况。
ConvertBox发布
不把文件发到任何地方,也能读取它
当你在网页里选择一个文件,或者把文件拖到网页上,浏览器会交给页面一个 File 对象:它只是这一个文件的句柄,而不是你的整个磁盘。通过 File API,页面的脚本可以把文件的字节读进内存。这一步完全不涉及网络;上传是另一个独立而明确的动作,即脚本把这些字节放进发往服务器的请求里。客户端工具根本不发出这个请求。它在内存里处理这些字节,把结果包装成 Blob,再通过一个临时的对象 URL 提供出来,浏览器像保存普通下载一样保存它。
这一点不必轻信,可以自己验证。打开浏览器的开发者工具,切换到网络面板,然后执行一次转换:在本地工作的工具不会出现携带你文件的请求。
引擎:WebAssembly、Canvas 和 JavaScript 库
真正干活的是三类机制。WebAssembly 是一种紧凑的二进制格式,浏览器在与 JavaScript 相同的沙箱里以接近原生的速度执行它,这让那些久经考验的 C 和 C++ 程序可以编译到网页上运行。Canvas 是浏览器自带的绘图表面,可以解码图像,按新的尺寸绘制,再把像素重新编码。至于那些不需要大量计算就能编辑结构的格式,由普通的 JavaScript 库负责。
有一个副作用值得了解:画布里只有像素,所以用这种方式重新编码的图像会丢失元数据。例如 ConvertBox 的图片压缩工具会移除包括 GPS 位置在内的元数据,并把长边超过 1920 像素的图像缩小到这个尺寸。
| 任务 | 技术 | 发生了什么 |
|---|---|---|
| 视频和音频转换 | 编译为 WebAssembly 的 FFmpeg | 数据流在标签页内以软件方式解码并重新编码 |
| PDF 加密与解密 | 编译为 WebAssembly 的 qpdf | 文档内容用你的密码加密或解密 |
| 图片压缩与缩放 | Canvas | 图像被解码、缩放,再重新编码为 JPEG、PNG 或 WebP |
| PDF 合并与拆分 | JavaScript PDF 库 | 页面对象被复制到新文档中,不重新渲染 |
| 背景移除、OCR | 通过 WebAssembly 运行的神经网络模型 | 模型在你自己的处理器上分析像素 |
内存:浏览器标签页真正的限制
原生程序可以从磁盘上一段一段地读取大文件。浏览器工具通常把整个输入放在内存里,旁边再放输出,往往还有一份中间形态。压缩过的文件解码后会膨胀:一张 3 MB 的 1200 万像素照片是 4000 × 3000 像素,每个像素 4 字节,画到画布上就是 48 MB。标签页申请的内存超过浏览器允许的额度就会失败,在手机上,系统可能直接重新加载页面。
因此,这类工具的上传限制其实是内存预算,而不是随意定下的规矩。在 ConvertBox 上,PDF 合并接受每个不超过 100 MB 的文件,并把所有源文件和不断增大的输出一起留在内存里;视频转换工具拒绝超过 50 MB 的文件;视频压缩工具最多接受 500 MB,但说明这么大的文件在手机和内存较小的笔记本上可能失败。在手机上失败的任务,换到内存更大的台式机上可能就能完成。
速度取决于你的设备,而视频是最难的情况
既然干活的是你的处理器,同一个页面在新款笔记本上很快,在旧手机上就慢。对大多数任务来说这几乎察觉不到:复制 PDF 页面或重新编码一张照片只需片刻。识别和分割模型要重一些,视频编码则重出好几个数量级。一分钟每秒 30 帧的 1080p 视频是 1,800 帧,每帧约 200 万像素,每一帧都要解码、分析运动,再重新压缩。
原生编码器依靠手工调优的处理器指令,以及图形芯片内置的硬件编码器。运行在 WebAssembly 里的 FFmpeg 是在沙箱内以软件方式执行的,这两样都无法充分利用,所以比原生版本慢得多。ConvertBox 的视频压缩工具使用 x264 的 medium 预设重新编码,压缩效率高,但速度慢;处理短片是现实的,处理一整段长录像则不现实。
首次使用时的下载:引擎和模型
在本地处理并不意味着页面一打开就什么都齐了。大型引擎只有在工具需要时才会下载,所以第一次运行可能伴随一次方向相反、体积不小的下载:是代码和模型到你这里来,而不是你的文件出去。FFmpeg 核心大约有 30 MB。ConvertBox 的背景移除工具会在你第一次按下按钮时,从该库的公共内容分发网络获取分割模型和运行时,所以那一次需要联网,耗时也更长。OCR 需要针对每种语言单独训练的模型。
之后这些文件通常由浏览器缓存提供,所以第二次运行启动得更快。在按流量计费的移动网络上要知道:即使文件本身从未被传输,第一次视频处理或背景移除任务也会消耗流量。
“可离线使用”的含义,以及两项并非本地处理的功能
工具的页面和引擎加载完之后,处理过程不需要网络;所谓离线,成立的就是这一部分。这并不会让网站变成已安装的应用。打开或刷新页面需要网络,尚未缓存的引擎没有网络就取不到;除非事先加载过要用的那个工具,否则不要指望在没有信号的地方使用浏览器工具。
也不是每项功能都在本地完成,笼统地说什么都不会离开设备是错误的。在 ConvertBox 上,有两项功能会把数据发送出去。在文字转语音中下载音频时,文本会经由本站服务器发送给一个在线语音服务,由它返回音频;只用设备上已安装的语音播放则不会发送。音频转写依赖浏览器的语音识别,而有些浏览器是在线执行的:Chrome 会把采集到的音频发送给 Google 的语音服务。机密的文本或录音不应该走这两条路径。其余工具如上文所述,在浏览器内处理文件。
什么时候桌面应用或服务器端服务是更好的选择
当文件比较敏感、任务规模中小,而且不值得专门安装软件时,浏览器处理占优。它处于劣势的情况也很明确。
- 长视频或高分辨率视频、需要输出 HEVC 或 AV1、需要硬件加速编码:使用 HandBrake 或原生安装的 FFmpeg 这类桌面编码器。
- 文件大到标签页装不下,或者一次要处理几百个文件:使用能从磁盘流式读取并且可以无人值守运行的桌面软件。
- 需要精确控制,例如以打印分辨率渲染 PDF、对 PDF 内的图像降采样、为发丝要求很高的抠图手动绘制蒙版:专业编辑软件提供单屏工具所没有的设置。
- 设备性能弱,而文件并不机密:服务器端服务在别处完成计算,代价是上传时间,以及文件会存放在别人的机器上。
- 多人共享的工作,例如审阅链接或团队存储:这本来就需要服务器。